章文光 吳義熔 宮鈺

摘? ?要：基于2019年25?。▍^(qū)、市）建檔立卡實(shí)地監(jiān)測(cè)調(diào)研的貧困戶數(shù)據(jù)，建立基于邏輯回歸方法的貧困風(fēng)險(xiǎn)預(yù)測(cè)模型，評(píng)估返貧風(fēng)險(xiǎn)。運(yùn)用優(yōu)勢(shì)比和交互信息，分析各致貧因素對(duì)返貧風(fēng)險(xiǎn)預(yù)測(cè)的影響，結(jié)果表明：預(yù)測(cè)模型的ROC曲線下面積達(dá)到0.706，模型可用于預(yù)測(cè)返貧的風(fēng)險(xiǎn)。在解決相對(duì)貧困問(wèn)題階段，應(yīng)針對(duì)返貧風(fēng)險(xiǎn)高的家庭加強(qiáng)貧困風(fēng)險(xiǎn)預(yù)測(cè)研究;創(chuàng)新發(fā)展基于“預(yù)警+救助+賦能”的扶貧策略;在實(shí)施保障救助的同時(shí)，加強(qiáng)致貧因素分析，采取有針對(duì)性的扶貧措施，防止返貧發(fā)生。

關(guān)鍵詞：返貧風(fēng)險(xiǎn);風(fēng)險(xiǎn)預(yù)測(cè);脫貧攻堅(jiān)

中圖分類號(hào)：F323.8? ?文獻(xiàn)標(biāo)識(shí)碼：A? ?文章編號(hào)：1003-7543（2020）12-0110-11

在精準(zhǔn)扶貧精準(zhǔn)脫貧方略指引下，我國(guó)脫貧攻堅(jiān)工作取得了舉世矚目的成就，貧困人口和貧困縣數(shù)量急劇下降。我國(guó)現(xiàn)行標(biāo)準(zhǔn)下農(nóng)村貧困人口從2012年末的9899萬(wàn)人減少至2019年末的551萬(wàn)人，累計(jì)減少9348萬(wàn)人;貧困發(fā)生率從2012年的10.2%下降至2019年末的0.6%。2020年初，國(guó)務(wù)院扶貧辦對(duì)2019年底未摘帽的52個(gè)貧困縣實(shí)施掛牌督戰(zhàn)，截至11月23日，52個(gè)縣全部脫貧摘帽，這也標(biāo)志著全國(guó)832個(gè)貧困縣全部出列，脫貧攻堅(jiān)取得重大勝利，為實(shí)現(xiàn)第一個(gè)百年奮斗目標(biāo)打下了堅(jiān)實(shí)基礎(chǔ)。與此同時(shí)，我國(guó)發(fā)展不平衡不充分的問(wèn)題仍然突出，脫貧攻堅(jiān)成果持續(xù)鞏固拓展仍面臨諸多困難和挑戰(zhàn)：深度貧困地區(qū)兜底保障戶的貧困問(wèn)題仍然突出[1-3];絕對(duì)貧困問(wèn)題得到解決后，相對(duì)貧困問(wèn)題仍然長(zhǎng)期存在[4-5];一些偏遠(yuǎn)的山區(qū)、邊區(qū)和少數(shù)民族集居地區(qū)受自然稟賦、歷史因素和經(jīng)濟(jì)基礎(chǔ)的影響，返貧風(fēng)險(xiǎn)仍然較高[6-7];在大規(guī)模解決區(qū)域性整體貧困的同時(shí)，非貧困地區(qū)的貧困問(wèn)題逐漸顯現(xiàn)[1，5];部分貧困戶政策性收入占比過(guò)高，產(chǎn)業(yè)發(fā)展仍處于孵化期，脫貧攻堅(jiān)政策在鄉(xiāng)村振興框架內(nèi)如何銜接仍需路線圖[8-9]。

在脫貧攻堅(jiān)戰(zhàn)及成果鞏固拓展過(guò)程中，防止返貧、降低返貧風(fēng)險(xiǎn)已成為所有挑戰(zhàn)中最具現(xiàn)實(shí)性和緊迫性的問(wèn)題之一。早在2017年，習(xí)近平總書記在參加十二屆全國(guó)人大五次會(huì)議四川代表團(tuán)審議時(shí)就指出“防止返貧和繼續(xù)攻堅(jiān)同樣重要”。2020年3月，習(xí)近平總書記在決戰(zhàn)決勝脫貧攻堅(jiān)座談會(huì)上明確要求“加快建立防止返貧監(jiān)測(cè)和幫扶機(jī)制”。當(dāng)前是上承脫貧攻堅(jiān)取得決定性成就、下啟“十四五”時(shí)期鞏固拓展脫貧攻堅(jiān)成果的關(guān)鍵時(shí)期，建立返貧風(fēng)險(xiǎn)預(yù)測(cè)機(jī)制是確保脫貧攻堅(jiān)成功的必然要求，是將事后幫扶變?yōu)槭虑邦A(yù)防、實(shí)現(xiàn)貧困人口動(dòng)態(tài)清零的題中之義。我國(guó)已通過(guò)全國(guó)扶貧開發(fā)信息系統(tǒng)為全國(guó)9899萬(wàn)貧困戶實(shí)現(xiàn)建檔立卡，建檔立卡指標(biāo)體系包括戶村縣的基礎(chǔ)信息庫(kù)、業(yè)務(wù)管理系統(tǒng)、扶貧項(xiàng)目庫(kù)等模塊，擁有的海量數(shù)據(jù)為開展量化研究預(yù)測(cè)返貧風(fēng)險(xiǎn)提供了基礎(chǔ)。進(jìn)一步推進(jìn)我國(guó)扶貧開發(fā)事業(yè)，一方面，有必要加強(qiáng)對(duì)精準(zhǔn)扶貧精準(zhǔn)脫貧方略的政策研究，為提高精準(zhǔn)幫扶措施的靶向性、精確性提供參考和依據(jù);另一方面，有必要拓寬思路，發(fā)揮學(xué)術(shù)研究在量化研究領(lǐng)域的優(yōu)勢(shì)，建立返貧風(fēng)險(xiǎn)預(yù)測(cè)機(jī)制，推出新的幫扶方法和策略。

一、相關(guān)研究綜述

返貧風(fēng)險(xiǎn)預(yù)測(cè)及其精準(zhǔn)幫扶的對(duì)象具有多元性。2014年國(guó)務(wù)院扶貧辦印發(fā)的《扶貧開發(fā)建檔立卡工作方案》中，根據(jù)是否享受社會(huì)救助措施將貧困戶分為特別困難供養(yǎng)戶（特困戶）、低收入保障貧困戶（低保戶）和一般貧困戶。2015—2016年在全國(guó)范圍開展兩次農(nóng)村貧困人口建檔立卡“回頭看”之后，為保障脫貧穩(wěn)定性，根據(jù)貧困戶脫貧后是否繼續(xù)享受政策分為脫貧不享受政策的穩(wěn)定脫貧戶和脫貧后仍享受各項(xiàng)幫扶政策的不穩(wěn)定脫貧戶。2018年《中共中央? 國(guó)務(wù)院關(guān)于打贏脫貧攻堅(jiān)戰(zhàn)三年行動(dòng)的指導(dǎo)意見(jiàn)》實(shí)施后，為減少扶貧的“懸崖效應(yīng)”，非貧困群體中的低收入群體亦進(jìn)入政策視野，被稱為邊緣易致貧戶。2020年受新冠肺炎疫情等影響的收入驟減戶和支出驟增戶也成為重點(diǎn)監(jiān)測(cè)群體。從政策角度來(lái)看，上述群體均為返貧風(fēng)險(xiǎn)監(jiān)測(cè)對(duì)象，但實(shí)踐中為了克服監(jiān)測(cè)覆蓋面廣、人員構(gòu)成復(fù)雜、信息不對(duì)稱等難題，各地普遍將特困戶和低保戶這兩類“深度困難”群體[10]作為監(jiān)測(cè)返貧風(fēng)險(xiǎn)的主要對(duì)象。從理論上看，一般農(nóng)戶或脫貧戶重新成為深度困難群體時(shí)，意味著返貧風(fēng)險(xiǎn)的快速上升，此時(shí)幫扶措施能否及時(shí)兜住決定了返貧是否發(fā)生。只有當(dāng)兜底措施和其他幫扶措施均失效時(shí)，才會(huì)通過(guò)“兩公示一公告”或其他程序?qū)⒃搼粽J(rèn)定為返貧戶，即返貧過(guò)程通常經(jīng)歷從脫貧戶，到深度困難群體，再到認(rèn)定成為返貧戶這三個(gè)階段，因此脫貧后仍然深度困難的群體是返貧風(fēng)險(xiǎn)最高的群體，各地也通常稱之為“返貧風(fēng)險(xiǎn)戶”。精準(zhǔn)扶貧和預(yù)防返貧成功的關(guān)鍵在于及時(shí)識(shí)別返貧風(fēng)險(xiǎn)戶，找出致貧原因、摸清貧困特征，因地制宜、因貧施策，因人施策[4]，阻斷返貧發(fā)生。

返貧風(fēng)險(xiǎn)預(yù)測(cè)是防止因兜底政策失靈而返貧的重要措施之一。以特困供養(yǎng)和低保政策為主的社會(huì)救助制度是我國(guó)反貧困體系和社會(huì)保障體系的重要組成部分，在脫貧攻堅(jiān)中發(fā)揮著兜底保障作用。然而，在社會(huì)救助特別是農(nóng)村低保政策的實(shí)施過(guò)程中，兜底保障存在一些問(wèn)題，包括瞄準(zhǔn)偏差和遺漏[11-12]、福利依賴[13]、消極救助[14]、“貧困陷阱”問(wèn)題[15]等。學(xué)者們提出了兩種克服上述問(wèn)題的策略：一是在發(fā)揮農(nóng)村低保制度最低需求保障的同時(shí)，實(shí)施發(fā)展型社會(huì)救助項(xiàng)目[16-17]，或以“工作福利”對(duì)抗“福利依賴”[14]，或完善和建立“救助+賦能”并重的救助制度[15]等;二是加強(qiáng)針對(duì)深度貧困或返貧的預(yù)測(cè)研究，明確最重要的致貧因素，實(shí)施有針對(duì)性的救助和扶貧措施，織牢兜底保障網(wǎng)，避免陷入返貧狀態(tài)。

邏輯回歸模型是返貧研究中被廣泛運(yùn)用的模型之一。作為返貧群體預(yù)測(cè)研究的一部分，農(nóng)村低保制度研究備受學(xué)術(shù)界關(guān)注，包括低保對(duì)象的認(rèn)定[11-12，18]、低保標(biāo)準(zhǔn)的制定[19]及其減貧效果[20-21]等。在對(duì)低保對(duì)象認(rèn)定的研究中，鄧大松、王增文基于10 個(gè)省份33 個(gè)縣市農(nóng)村地區(qū)的實(shí)地調(diào)研數(shù)據(jù)，利用邏輯回歸模型，分析了各項(xiàng)指標(biāo)對(duì)是否為農(nóng)村低保戶判定的影響[18]。李輝利用邏輯回歸模型，分析了各項(xiàng)指標(biāo)對(duì)農(nóng)村低保戶或五保戶貧困的影響[22]。由此可見(jiàn)，邏輯回歸模型雖已被用于返貧研究領(lǐng)域，但主要用于分析各項(xiàng)貧困指標(biāo)與返貧之間的關(guān)系，研究還不夠深入。因此，有必要進(jìn)一步加強(qiáng)對(duì)各項(xiàng)貧困指標(biāo)與返貧之間關(guān)系的研究，利用各個(gè)指標(biāo)預(yù)測(cè)農(nóng)戶成為返貧風(fēng)險(xiǎn)戶的概率?？紤]到貧困的多維特性，有必要重點(diǎn)研究由各項(xiàng)貧困指標(biāo)構(gòu)建起來(lái)的模型整體上的風(fēng)險(xiǎn)預(yù)測(cè)性能。當(dāng)前，學(xué)術(shù)界對(duì)于模型整體性能的研究相對(duì)有限，汪三貴等研究了邏輯回歸模型對(duì)于貧困戶識(shí)別的準(zhǔn)確率，但未描述模型的訓(xùn)練和驗(yàn)證方式[23]。針對(duì)我國(guó)縣域農(nóng)村貧困預(yù)測(cè)，馮婭婭等利用人工神經(jīng)網(wǎng)絡(luò)，將各自然、社會(huì)經(jīng)濟(jì)因子作為輸入變量，預(yù)測(cè)了自然致貧指數(shù)和社會(huì)經(jīng)濟(jì)消貧指數(shù)[24]。

精準(zhǔn)識(shí)別深度困難群體的主要致貧因素，優(yōu)化貧困治理機(jī)制，對(duì)于切實(shí)防止深度困難群體脫貧后返貧具有重要的理論價(jià)值和現(xiàn)實(shí)意義[1，3]。由于在脫貧攻堅(jiān)實(shí)踐中的返貧戶數(shù)量極少，且導(dǎo)致一般戶成為深度貧困群體并認(rèn)定為貧困戶的“致貧原因”，與導(dǎo)致脫貧戶成為返貧風(fēng)險(xiǎn)戶并認(rèn)定為返貧戶的“返貧原因”具有邏輯一致性，因而本文使用2019年25省（區(qū)、市）①建檔立卡實(shí)地監(jiān)測(cè)調(diào)研得到的貧困戶數(shù)據(jù)，建立基于邏輯回歸方法的貧困風(fēng)險(xiǎn)評(píng)估模型，來(lái)預(yù)測(cè)成為返貧風(fēng)險(xiǎn)戶的概率，并分析致貧原因，找出致貧因素，以阻斷返貧發(fā)生。本文在數(shù)據(jù)來(lái)源上，采用的是2019年針對(duì)全國(guó)25?。▍^(qū)、市）建檔立卡實(shí)地監(jiān)測(cè)抽樣調(diào)查數(shù)據(jù)，同時(shí)發(fā)展了針對(duì)返貧風(fēng)險(xiǎn)戶的返貧風(fēng)險(xiǎn)預(yù)測(cè)模型，并探討了模型的預(yù)測(cè)性能，為構(gòu)建基于“預(yù)警+救助+賦能”的扶貧策略奠定了基礎(chǔ)。

二、數(shù)據(jù)來(lái)源和研究方法

（一）數(shù)據(jù)來(lái)源

在國(guó)務(wù)院扶貧開發(fā)領(lǐng)導(dǎo)小組辦公室統(tǒng)籌領(lǐng)導(dǎo)下，北京師范大學(xué)政府管理學(xué)院/農(nóng)村治理研究中心組織500余名調(diào)研人員在25省（區(qū)、市）開展了建檔立卡實(shí)地監(jiān)測(cè)調(diào)研。項(xiàng)目團(tuán)隊(duì)根據(jù)各?。▍^(qū)、市）貧困縣總數(shù)量和分布情況，按比例隨機(jī)抽取約10%的貧困縣，總計(jì)146個(gè)縣。其中，新疆、西藏由于地理?xiàng)l件局限，只抽取了1個(gè)縣。針對(duì)每個(gè)縣，項(xiàng)目團(tuán)隊(duì)根據(jù)貧困發(fā)生率、未脫貧人口等因素，抽取了5個(gè)貧困程度不同的村。針對(duì)每個(gè)村，項(xiàng)目團(tuán)隊(duì)隨機(jī)抽取了50個(gè)農(nóng)戶開展實(shí)地入戶核查，其中建檔立卡貧困戶35戶、非貧困戶15戶。最終經(jīng)過(guò)數(shù)據(jù)清洗后得到23 307條實(shí)地核查過(guò)的建檔立卡貧困戶數(shù)據(jù)，包括行政村所在地、貧困人口數(shù)、生產(chǎn)生活條件、合作社經(jīng)營(yíng)、村屬性等貧困村信息，以及戶主姓名、家庭人口數(shù)、勞動(dòng)力人口數(shù)、貧困戶屬性、致貧原因、扶貧措施、收入、交通情況、住房情況等信息。

（二）變量提取

為提取變量開展返貧風(fēng)險(xiǎn)戶的致貧原因分析，我們從調(diào)研核查過(guò)的資料中選取了調(diào)查問(wèn)卷編號(hào)、村屬性、家庭人口數(shù)、勞動(dòng)力人口數(shù)、致貧原因及貧困戶屬性等內(nèi)容。村屬性分為四類，包括非貧困村、脫貧村、貧困村和深度貧困村。依家庭人口數(shù)，將貧困戶劃分為四類家庭：1～2人、 3～4人、5～6 人及大于6人的家庭。依勞動(dòng)力人口數(shù)，將貧困戶劃分為五類家庭：0人、1～2人、3～4人、大于4人及未知（勞動(dòng)力人數(shù)）家庭。從致貧原因中，我們提取被記錄的致貧因素，包括因喪、因婚、因?qū)W、因殘、因?yàn)?zāi)、因病、缺土地、缺技術(shù)、缺水、缺資金、交通條件落后、自身發(fā)展動(dòng)力不足和其他原因（共13種）。需要說(shuō)明的是，致貧原因中的“缺勞力”由于和家庭勞動(dòng)力人口信息重疊且后者信息更豐富，故未提取“缺勞力”。針對(duì)每戶，我們計(jì)算了致貧因子總數(shù)目，其值為1、2或3。貧困戶屬性包括特困供養(yǎng)戶、低保貧困戶、脫貧戶和一般貧困戶?？傆?jì)有5442個(gè)返貧風(fēng)險(xiǎn)戶（特困供養(yǎng)戶或低保貧困戶）和17 865個(gè)普通貧困戶（脫貧戶或一般貧困戶）。

（三）風(fēng)險(xiǎn)預(yù)測(cè)模型

我們利用邏輯回歸方法建立貧困風(fēng)險(xiǎn)評(píng)估模型，用以預(yù)測(cè)家庭陷入深度困難成為返貧風(fēng)險(xiǎn)戶的風(fēng)險(xiǎn)。邏輯回歸是一種廣義上的線性回歸分析模型，常用于預(yù)測(cè)事件發(fā)生的概率和分析某一因素對(duì)事件發(fā)生的影響，因模型構(gòu)建機(jī)理邏輯性和可解釋性強(qiáng)，其被廣泛地應(yīng)用于經(jīng)濟(jì)社會(huì)活動(dòng)預(yù)測(cè)等領(lǐng)域。在本文中，邏輯回歸方法的模型如下所示：

其中，p為家庭陷入深度困難成為返貧風(fēng)險(xiǎn)戶的概率，α為模型的截距，βi為貧困因子xi的權(quán)重， K為模型中貧困因子總數(shù)目。依靠收集到的數(shù)據(jù)，通過(guò)訓(xùn)練邏輯回歸模型，可以得到α截距值和各個(gè)貧困因子的權(quán)重。當(dāng)一個(gè)家庭的數(shù)據(jù)x被采集后，依靠截距和權(quán)重，可以得到其返貧的概率p。另外，通過(guò)衡量各貧困因子的權(quán)重，可以了解究竟哪些因素是家庭陷入深度困難成為返貧風(fēng)險(xiǎn)戶的主要致貧因素。

為了保證模型預(yù)測(cè)性能的穩(wěn)定性，我們采用10-等份交叉驗(yàn)證（10-fold cross-validation）方法將所有貧困戶樣本隨機(jī)分為10等份。每次選取其中的9等份樣本用來(lái)訓(xùn)練預(yù)測(cè)模型，然后利用訓(xùn)練得到的模型去計(jì)算剩下的1等份樣本。依次循環(huán)10遍實(shí)驗(yàn)后，得到23 307個(gè)家庭陷入返貧風(fēng)險(xiǎn)戶的風(fēng)險(xiǎn)評(píng)估值。

依靠風(fēng)險(xiǎn)評(píng)估值，我們可生成其受試者工作特征曲線（Receiver Operating Characteristic Curve -ROC 曲線）。在醫(yī)學(xué)領(lǐng)域，ROC曲線已被廣泛用來(lái)描述一項(xiàng)醫(yī)學(xué)測(cè)試的性能。真陽(yáng)性率（True Positive Rate， TPR）被定義為在實(shí)際為陽(yáng)性的人群中，該醫(yī)學(xué)測(cè)試判斷為陽(yáng)性的比例;真陰性率 （True Negative Rate， TNR）被定義為在實(shí)際為陰性的人群中，該醫(yī)學(xué)測(cè)試判斷為陰性的比例。ROC曲線用構(gòu)圖法揭示了TPR和TNR的相互關(guān)系，即通過(guò)設(shè)定多個(gè)不同的預(yù)測(cè)臨界值，計(jì)算出一系列TPR和TNR，再以TPR為縱坐標(biāo)、（1-TNR）為橫坐標(biāo)繪制曲線。ROC曲線下面積 （Area Under ROC Curve-AUC）越大，該測(cè)試的準(zhǔn)確性越高。AUC取值在0至1之間，AUC為1時(shí)，該測(cè)試完全正確;若AUC為0，則該測(cè)試完全錯(cuò)誤。一般認(rèn)為，AUC 在0.5至0.7之間表示模型預(yù)測(cè)的性能較低;0.7至0.9之間表示模型預(yù)測(cè)的性能中等;0.9以上表示模型預(yù)測(cè)的性能較高[25]。在本文中，AUC被用來(lái)衡量貧困風(fēng)險(xiǎn)預(yù)測(cè)模型的準(zhǔn)確性。

（四）返貧風(fēng)險(xiǎn)戶的風(fēng)險(xiǎn)因子分析

在本文中，我們利用Odds Ratio[26]和Mutual Information[27]確定返貧風(fēng)險(xiǎn)戶的重要風(fēng)險(xiǎn)因子。對(duì)于家庭致貧的諸多因素，有些可能使家庭返貧，但也有些可能使其避免返貧。比如，因?yàn)?zāi)是家庭致貧的一種因素，由于只是相對(duì)短時(shí)間的消極影響，再加上政府和社會(huì)的及時(shí)關(guān)注救助，解決因?yàn)?zāi)致貧的可能性較大，因而這類家庭通常短時(shí)間內(nèi)由返貧風(fēng)險(xiǎn)戶恢復(fù)為普通戶。

Odds Ratio（OR）在醫(yī)學(xué)領(lǐng)域是病例對(duì)照研究中的常用概念，俗稱優(yōu)勢(shì)比。某種暴露條件下疾病發(fā)生的優(yōu)勢(shì)是該條件下病例組人數(shù)和非病例組人數(shù)的比值;非暴露條件下疾病發(fā)生的優(yōu)勢(shì)是該條件下病例組人數(shù)和非病例組人數(shù)的比值，兩種優(yōu)勢(shì)之比即為優(yōu)勢(shì)比。優(yōu)勢(shì)比等于1，表示該暴露因素對(duì)疾病的發(fā)生不起作用;優(yōu)勢(shì)比大于1，表示該因素是危險(xiǎn)因素;優(yōu)勢(shì)比小于1，表示該因素是保護(hù)因素。優(yōu)勢(shì)比可由Cornfield 的 2×2 表計(jì)算得到，也可由常用的回歸模型的系數(shù)轉(zhuǎn)化得到[28]。盡管兩者計(jì)算方法不一致，但其最終結(jié)果類似。由于回歸模型具備諸多優(yōu)勢(shì)，因而得到了廣泛應(yīng)用。在扶貧研究領(lǐng)域，常常利用由回歸模型的系數(shù)轉(zhuǎn)化得到的優(yōu)勢(shì)比來(lái)識(shí)別重要的致貧因素[18]。在本文中，優(yōu)勢(shì)比被用來(lái)判斷一種貧困因子是否是導(dǎo)致返貧風(fēng)險(xiǎn)產(chǎn)生的危險(xiǎn)因素，可大致衡量其對(duì)返貧風(fēng)險(xiǎn)戶產(chǎn)生的影響程度。

Mutual Information稱為交互信息，是信息論中一種有效的信息度量，它可以看成一個(gè)隨機(jī)變量中包含的關(guān)于另一個(gè)隨機(jī)變量的信息量，或者說(shuō)是一個(gè)隨機(jī)變量由于已知另一個(gè)隨機(jī)變量而減少的不確定性，不確定性越少，判斷或預(yù)測(cè)越準(zhǔn)確。在本文中，交互信息可表示為返貧風(fēng)險(xiǎn)戶預(yù)測(cè)的不確定性由于知道一個(gè)貧困因子的信息而減少的數(shù)量。因此，交互信息可被用來(lái)衡量致貧因素對(duì)返貧風(fēng)險(xiǎn)戶預(yù)測(cè)的重要性，交互信息值越大，該致貧因子對(duì)預(yù)測(cè)越重要。對(duì)于能取多個(gè)值的變量，交互信息可在變量層面指明其對(duì)預(yù)測(cè)的作用，而優(yōu)勢(shì)比在賦值層面上評(píng)價(jià)變量的重要性，因此在本文中我們同時(shí)應(yīng)用這兩種方法相互驗(yàn)證來(lái)確定重要風(fēng)險(xiǎn)因子。

邏輯回歸模型的訓(xùn)練及交互信息的計(jì)算均在Weka（Waikato Environment for Knowledge Analysis）軟件平臺(tái)上完成，其是一款免費(fèi)的、非商業(yè)化的，基于JAVA環(huán)境下開源的機(jī)器學(xué)習(xí)以及數(shù)據(jù)挖掘軟件，是現(xiàn)今最完備的數(shù)據(jù)挖掘工具之一。

三、建模結(jié)果與檢驗(yàn)

（一）模型中的樣本分布

本文取樣涉及23 307戶貧困人口，共92 299人。貧困戶家庭規(guī)模分布如表1所示，其中4人戶占比最大，約為20.67%;家庭平均規(guī)模為每戶3.96 人。勞動(dòng)力人口數(shù)分布如表2所示，其中有2個(gè)勞動(dòng)力的家庭占比最高，約為34.24%;排除未知?jiǎng)趧?dòng)力數(shù)量的家庭，平均每戶有2.02個(gè)勞動(dòng)力。

（二）模型整體預(yù)測(cè)性能

所提取變量的取值分布如表3（下頁(yè)）所示。利用這些變量，建立貧困風(fēng)險(xiǎn)評(píng)估模型，用以預(yù)測(cè)家庭陷入深度困難成為返貧風(fēng)險(xiǎn)戶的概率。該模型的ROC曲線如圖1所示。其AUC為0.706，說(shuō)明可以使用該模型預(yù)測(cè)家庭陷入返貧風(fēng)險(xiǎn)的概率。

（三）各變量基于優(yōu)勢(shì)比對(duì)返貧風(fēng)險(xiǎn)戶的預(yù)測(cè)情況

由訓(xùn)練邏輯回歸模型得到的優(yōu)勢(shì)比如表3所示。各變量對(duì)家庭陷入深度困難成為返貧風(fēng)險(xiǎn)戶預(yù)測(cè)的影響如下：

其一，家庭人口數(shù)的影響。以1～2人家庭為基準(zhǔn)，當(dāng)家庭人口數(shù)多于2個(gè)而少于等于6個(gè)時(shí)，該類家庭不易成為返貧風(fēng)險(xiǎn)戶。當(dāng)家庭人口數(shù)多于6人時(shí)，該類家庭容易成為返貧風(fēng)險(xiǎn)戶，其優(yōu)勢(shì)比為1.228。

其二，勞動(dòng)力人口數(shù)的影響。若無(wú)勞動(dòng)力，該家庭容易成為返貧風(fēng)險(xiǎn)戶。隨著勞動(dòng)力人口的增加，幾率將逐漸減少。當(dāng)勞動(dòng)力人口數(shù)多于4人時(shí)，其優(yōu)勢(shì)比為0.308，這類家庭成為返貧風(fēng)險(xiǎn)戶的優(yōu)勢(shì)約是無(wú)勞動(dòng)力貧困家庭的1/3，這類家庭成為返貧風(fēng)險(xiǎn)戶的幾率很小。

其三，因殘致貧的家庭成為返貧風(fēng)險(xiǎn)戶的概率高，優(yōu)勢(shì)比是其他貧困家庭的1.711倍。

其四，缺土地、因病致貧或自身發(fā)展動(dòng)力不足的家庭成為返貧風(fēng)險(xiǎn)戶的幾率較高，其優(yōu)勢(shì)比在0.75以上。

其五，因缺技術(shù)、交通條件落后、因?qū)W、因喪或因其他因素而致貧的家庭成為返貧風(fēng)險(xiǎn)戶的幾率較小，其優(yōu)勢(shì)比在0.6至0.7之間。其中因喪致貧的優(yōu)勢(shì)比，其p-value為0.457。由于該值大于常規(guī)的統(tǒng)計(jì)顯著界限0.05，因而需要收集更多數(shù)據(jù)來(lái)進(jìn)一步驗(yàn)證此結(jié)論。

其六，因?yàn)?zāi)或缺水而致貧的家庭不易成為返貧風(fēng)險(xiǎn)戶，其優(yōu)勢(shì)比小于0.5。

其七，因缺資金而致貧的家庭不易成為返貧風(fēng)險(xiǎn)戶，其優(yōu)勢(shì)比為0.429。缺資金不是致貧根本原因，而是其他致貧因素導(dǎo)致的結(jié)果。近年來(lái)，由于全國(guó)整體經(jīng)濟(jì)發(fā)展水平提高和扶貧措施加強(qiáng)，貧困家庭可以獲得小額信貸支持，這類家庭陷入深度困難的幾率較低。

其八，因婚致貧的家庭不易成為返貧風(fēng)險(xiǎn)戶，其優(yōu)勢(shì)比為0.336。

其九，村屬性的影響。在脫貧村，由于脫貧措施落實(shí)，整體貧困狀況得以改善，家庭成為返貧風(fēng)險(xiǎn)戶的概率較低，其優(yōu)勢(shì)比為0.354。在非貧困村和貧困村，家庭成為返貧風(fēng)險(xiǎn)戶的概率較高。在深度貧困村，家庭成為返貧風(fēng)險(xiǎn)戶的風(fēng)險(xiǎn)低，一是可能由于樣本量分布不夠，屬于深度貧困村的53個(gè)貧困戶均來(lái)自湖南省邵陽(yáng)縣羅城鄉(xiāng)保和村;二是可能深度貧困村獲得了更多關(guān)注度和資源投入。具體原因還有待于進(jìn)一步的考察研究。

其十，致貧因素總數(shù)目的影響。隨著致貧因素總數(shù)目的增加，家庭成為返貧風(fēng)險(xiǎn)戶的概率相應(yīng)增加。有2個(gè)致貧因素的貧困戶，其陷入深度困難的優(yōu)勢(shì)比為1.627。有3個(gè)致貧因素的貧困戶，其優(yōu)勢(shì)比為2.758，這類家庭更易成為返貧風(fēng)險(xiǎn)戶。

（四）各變量基于交互信息對(duì)返貧風(fēng)險(xiǎn)戶的預(yù)測(cè)情況

利用交互信息對(duì)變量排序的結(jié)果如表4（下頁(yè)）所示。對(duì)于返貧風(fēng)險(xiǎn)戶的預(yù)測(cè)，最重要的變量是勞動(dòng)力人口數(shù)，其次是村屬性。因殘、缺資金及家庭人口數(shù)也會(huì)嚴(yán)重影響家庭返貧風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果。

四、結(jié)論與政策建議

基于2019年25省（區(qū)、市）建檔立卡實(shí)地監(jiān)測(cè)調(diào)研得到的貧困戶數(shù)據(jù)，通過(guò)建模開展返貧風(fēng)險(xiǎn)預(yù)測(cè)及返貧原因分析，我們發(fā)現(xiàn)：基于邏輯回歸的風(fēng)險(xiǎn)預(yù)測(cè)模型，其預(yù)測(cè)性能達(dá)到中等程度，可用于家庭成為返貧風(fēng)險(xiǎn)戶的預(yù)警，在相對(duì)貧困治理階段發(fā)揮應(yīng)有作用;優(yōu)勢(shì)比和交互信息均可用來(lái)分析導(dǎo)致家庭陷入深度困難成為返貧風(fēng)險(xiǎn)戶的因素，這為進(jìn)一步開展此類研究提供了新思路。針對(duì)返貧風(fēng)險(xiǎn)戶需要關(guān)注重要致貧因素，有的放矢加強(qiáng)相應(yīng)保障力度，以提升防止返貧的成效。具體研究結(jié)論包括：

第一，家庭人口數(shù)是影響家庭成為返貧風(fēng)險(xiǎn)戶的重要因素。當(dāng)家庭人口數(shù)多于2個(gè)而少于等于6個(gè)時(shí)，該類家庭通常家庭人員結(jié)構(gòu)合理，不易成為返貧風(fēng)險(xiǎn)戶。當(dāng)家庭人口數(shù)太少或太多時(shí)則容易陷入深度困難成為返貧風(fēng)險(xiǎn)戶。為此，需要在預(yù)測(cè)中對(duì)不同類型進(jìn)行區(qū)分。調(diào)研發(fā)現(xiàn)，家庭人口數(shù)太少的貧困戶主要包括自然因素和突發(fā)因素兩種情形，自然因素如未婚育夫妻、獨(dú)居老人等對(duì)社會(huì)保障政策較為依賴，需要持續(xù)穩(wěn)定的社保兜底;突發(fā)因素如因?yàn)?zāi)禍導(dǎo)致家庭成員亡故、家庭突發(fā)重大變故等，其對(duì)社會(huì)保障、臨時(shí)救助的依賴性較強(qiáng)。而家庭人口數(shù)太多的貧困戶體現(xiàn)為超生嚴(yán)重，其對(duì)義務(wù)教育、住房保障等幫扶措施的穩(wěn)定性較為依賴。

第二，勞動(dòng)力人口數(shù)是影響家庭成為返貧風(fēng)險(xiǎn)戶的重要因素。目前全國(guó)扶貧開發(fā)信息系統(tǒng)中對(duì)勞動(dòng)力的數(shù)據(jù)采集包括全勞力、半勞力、部分勞力和無(wú)勞力四種類型，數(shù)據(jù)在每年動(dòng)態(tài)管理中進(jìn)行更新并定期關(guān)聯(lián)民政和公安部門數(shù)據(jù)進(jìn)行比對(duì)。若家庭無(wú)勞動(dòng)力或缺勞動(dòng)力，則容易成為返貧風(fēng)險(xiǎn)戶。隨著勞動(dòng)力人口的增加，幾率將逐漸減少，這是由于在農(nóng)村地區(qū)較多的勞動(dòng)力意味著可以獲得穩(wěn)定持續(xù)的家庭收入，尤其是隨著移風(fēng)易俗、智志雙扶工作的推進(jìn)，勞動(dòng)力生產(chǎn)效率不斷提升。而缺勞動(dòng)力或無(wú)勞動(dòng)力家庭幫扶措施通常包括民政一攬子兜底保障措施和部分社會(huì)救濟(jì)，其對(duì)幫扶針對(duì)性和政策穩(wěn)定性較為依賴。

第三，村屬性對(duì)返貧風(fēng)險(xiǎn)預(yù)測(cè)有較大影響。除去數(shù)據(jù)本身的局限性，在實(shí)踐中發(fā)現(xiàn)脫貧村農(nóng)戶成為返貧風(fēng)險(xiǎn)戶的風(fēng)險(xiǎn)低，而在非貧困村和貧困村，農(nóng)戶成為風(fēng)險(xiǎn)貧困戶的風(fēng)險(xiǎn)較高。村屬性會(huì)產(chǎn)生影響首先印證了在脫貧攻堅(jiān)中提出解決區(qū)域性整體貧困問(wèn)題是必要和科學(xué)的;其次，村屬性作為預(yù)測(cè)模型的重要參數(shù)是基于建檔立卡村信息表中直接關(guān)聯(lián)的數(shù)據(jù)，相關(guān)內(nèi)容包括村產(chǎn)業(yè)發(fā)展情況、集體經(jīng)濟(jì)情況、公共設(shè)施水平、經(jīng)濟(jì)稟賦情況等，是對(duì)經(jīng)濟(jì)發(fā)展水平的整體性描述。2019年顯示的脫貧村多為貧困程度相對(duì)較低、脫貧難度相對(duì)較小的村，在同等政策力度幫扶下脫貧成效相對(duì)明顯。而未脫貧村由于貧困程度深、脫貧難度大，非貧困村因長(zhǎng)期未享受到脫貧攻堅(jiān)政策紅利，返貧風(fēng)險(xiǎn)均較大，需要在脫貧攻堅(jiān)任務(wù)結(jié)束后從城鄉(xiāng)統(tǒng)籌視角下實(shí)現(xiàn)政策有序退出和補(bǔ)齊民生保障短板。

第四，因殘致貧家庭成為返貧風(fēng)險(xiǎn)戶的概率較高，缺資金、因婚、因?yàn)?zāi)、缺水致貧家庭成為返貧風(fēng)險(xiǎn)戶的概率較低。有殘疾成員的家庭尤其是家庭主要?jiǎng)趧?dòng)力殘疾的，不僅自身無(wú)法工作還需家庭成員看護(hù)，再加上治療費(fèi)用等多種原因共同作用，增加了該類家庭成為返貧風(fēng)險(xiǎn)戶的概率。風(fēng)險(xiǎn)預(yù)測(cè)模型結(jié)論告訴我們，在相對(duì)貧困階段，幫扶措施需關(guān)注并對(duì)不同殘疾類型開展分類分層的“精準(zhǔn)滴灌”，提高政策資源的針對(duì)性。缺資金致貧主要是具備產(chǎn)業(yè)發(fā)展所需的人力資本，但缺乏產(chǎn)業(yè)發(fā)展資金和物料，在以提升“造血”能力為目標(biāo)的幫扶措施下基本能夠?qū)崿F(xiàn)穩(wěn)定脫貧。因?yàn)?zāi)、缺水致貧家庭成為返貧風(fēng)險(xiǎn)戶更容易受到國(guó)家和社會(huì)關(guān)注，能夠通過(guò)獲得資助而避免成為返貧風(fēng)險(xiǎn)戶。因婚致貧多是受地區(qū)風(fēng)俗影響超越家庭承受能力舉辦婚事，但長(zhǎng)期來(lái)看對(duì)家庭增收也會(huì)產(chǎn)生助力。

為助力相對(duì)貧困階段預(yù)防返貧和鞏固脫貧攻堅(jiān)成果，我們發(fā)展了基于邏輯回歸的風(fēng)險(xiǎn)預(yù)測(cè)模型，用來(lái)預(yù)測(cè)家庭成為返貧風(fēng)險(xiǎn)戶的概率，并基于“預(yù)警+救助+賦能”的幫扶策略，提出對(duì)返貧風(fēng)險(xiǎn)較高家庭應(yīng)采取有重點(diǎn)的幫扶措施，做到早發(fā)現(xiàn)、早干預(yù)、早預(yù)防，變事后幫扶為事前預(yù)防。我們將優(yōu)勢(shì)比和交互信息結(jié)合起來(lái)，識(shí)別了返貧風(fēng)險(xiǎn)戶的重要風(fēng)險(xiǎn)因素。在此基礎(chǔ)上，這里提出如下政策建議：

第一，推進(jìn)返貧風(fēng)險(xiǎn)監(jiān)測(cè)機(jī)制的模型化智能化。隨著人工智能技術(shù)的飛躍發(fā)展，各類定量研究方法不斷涌現(xiàn)，給諸多應(yīng)用領(lǐng)域的發(fā)展帶來(lái)了突破和創(chuàng)新。一些學(xué)者將人工智能模型引入扶貧研究，但大多數(shù)工作偏向于依靠模型的系數(shù)來(lái)研究單個(gè)致貧因子的重要性，較少探討各致貧因子影響的模型預(yù)測(cè)功能。我們發(fā)展了基于邏輯回歸的風(fēng)險(xiǎn)預(yù)測(cè)模型，用來(lái)預(yù)測(cè)家庭成為返貧風(fēng)險(xiǎn)戶的概率。利用10-等份交叉驗(yàn)證的方式訓(xùn)練模型，得到模型的AUC值達(dá)到0.706。風(fēng)險(xiǎn)預(yù)測(cè)模型以實(shí)地監(jiān)測(cè)調(diào)研得到的貧困戶致貧因素為輸入變量，得到中等程度的深度困難預(yù)測(cè)性能，表明了建立模型預(yù)測(cè)家庭陷入深度困難成為返貧風(fēng)險(xiǎn)戶的可行性。在大數(shù)據(jù)和人工智能快速發(fā)展背景下，通過(guò)多種算法模型對(duì)返貧風(fēng)險(xiǎn)開展監(jiān)測(cè)成為可能，本文分析所選取的指標(biāo)只占全國(guó)扶貧開發(fā)信息系統(tǒng)全部指標(biāo)的小部分，系統(tǒng)在與民政、公安、住建、教育等部門進(jìn)行數(shù)據(jù)比對(duì)過(guò)程中也會(huì)從行業(yè)部門引入部分信息，基于大數(shù)據(jù)通過(guò)不斷迭代的神經(jīng)網(wǎng)絡(luò)模型、決策樹等智能算法可實(shí)現(xiàn)返貧風(fēng)險(xiǎn)預(yù)測(cè)的智能化。

第二，構(gòu)建“預(yù)警+救助+賦能”幫扶機(jī)制。當(dāng)前，對(duì)于陷入深度困難狀態(tài)的社會(huì)群體所提倡的扶貧措施，可以概括為救助和賦能并重的模式，一方面提供以最低生活保障、殘疾人幫扶、特困供養(yǎng)等為主的社會(huì)救助，另一方面通過(guò)各項(xiàng)扶持政策幫助貧困戶發(fā)展扶貧產(chǎn)業(yè)、提高就業(yè)技能，通過(guò)賦能增加其收入水平。運(yùn)用風(fēng)險(xiǎn)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果可加強(qiáng)救助和賦能政策執(zhí)行的針對(duì)性和有效性，節(jié)約政策資源集中于返貧風(fēng)險(xiǎn)群體，形成基于“預(yù)警+救助+賦能”新的幫扶機(jī)制。全面建成小康社會(huì)后需要快速補(bǔ)齊建立預(yù)警監(jiān)測(cè)機(jī)制并與現(xiàn)有幫扶機(jī)制實(shí)現(xiàn)對(duì)接，在監(jiān)測(cè)對(duì)象認(rèn)定、監(jiān)測(cè)群體分類、監(jiān)測(cè)程序制定、監(jiān)測(cè)機(jī)制建立等方面持續(xù)完善。在中央統(tǒng)籌、省負(fù)總結(jié)、市縣抓落實(shí)的工作架構(gòu)下，探索中央預(yù)警監(jiān)測(cè)機(jī)制與地方監(jiān)測(cè)機(jī)制的協(xié)調(diào)互動(dòng)，將完善的預(yù)警信息納入地方?jīng)Q策系統(tǒng)，從根本上推動(dòng)扶貧開發(fā)實(shí)現(xiàn)從事后反饋向事前監(jiān)管轉(zhuǎn)變。

第三，在政策過(guò)渡期內(nèi)積極探索人員分類管理和政策有序退出。習(xí)近平總書記在2020年3月決戰(zhàn)決勝脫貧攻堅(jiān)座談會(huì)上明確要求，“要保持現(xiàn)有幫扶政策總體穩(wěn)定，扶上馬送一程，可以考慮設(shè)個(gè)過(guò)渡期”。過(guò)渡期設(shè)置是落實(shí)“四個(gè)不摘”要求、實(shí)現(xiàn)從脫貧攻堅(jiān)向鄉(xiāng)村振興轉(zhuǎn)變的重要過(guò)程，其中一個(gè)重要內(nèi)容是扶貧政策如何有序退出問(wèn)題，而返貧風(fēng)險(xiǎn)預(yù)測(cè)對(duì)解決這一問(wèn)題至關(guān)重要。本文的貧困風(fēng)險(xiǎn)預(yù)測(cè)模型能針對(duì)每一個(gè)貧困家庭計(jì)算出其成為返貧風(fēng)險(xiǎn)戶的概率，通過(guò)采用合適的概率切割點(diǎn)[23]，模型可以用來(lái)輔助識(shí)別風(fēng)險(xiǎn)群體，并按照概率大小劃分風(fēng)險(xiǎn)程度，實(shí)現(xiàn)返貧風(fēng)險(xiǎn)戶的分類管理。在實(shí)地調(diào)研中，大部分地區(qū)認(rèn)為過(guò)渡期以2～3年為宜，深度貧困地區(qū)則傾向于設(shè)置3年以上的過(guò)渡期以實(shí)現(xiàn)脫貧穩(wěn)定，需要運(yùn)用一套評(píng)價(jià)指標(biāo)對(duì)政策退出年限因地制宜進(jìn)行設(shè)置。風(fēng)險(xiǎn)預(yù)測(cè)模型在當(dāng)前針對(duì)家庭進(jìn)行預(yù)測(cè)的基礎(chǔ)上值得引入更多關(guān)聯(lián)規(guī)則算法，構(gòu)建起區(qū)域性返貧風(fēng)險(xiǎn)預(yù)測(cè)模型，為政策制定和完善提供有力支撐。

第四，在城鄉(xiāng)統(tǒng)籌框架下完善幫扶措施工具包。在2017年12月召開的中央農(nóng)村工作會(huì)議上，習(xí)近平總書記明確指出，“2020年全面建成小康社會(huì)之后，我們將消除絕對(duì)貧困，但相對(duì)貧困仍將長(zhǎng)期存在?，F(xiàn)在針對(duì)絕對(duì)貧困的脫貧攻堅(jiān)舉措要逐步調(diào)整為針對(duì)相對(duì)貧困的日常性幫扶措施，并納入鄉(xiāng)村振興戰(zhàn)略架構(gòu)下統(tǒng)籌安排?！秉h的十九屆四中全會(huì)會(huì)議公報(bào)明確提出“建立解決相對(duì)貧困的長(zhǎng)效機(jī)制”。相對(duì)貧困治理問(wèn)題是后扶貧時(shí)代扶貧開發(fā)的主線，在堅(jiān)持農(nóng)業(yè)農(nóng)村優(yōu)先發(fā)展總方針指導(dǎo)下，相對(duì)貧困治理離不開城鄉(xiāng)融合發(fā)展的時(shí)代背景。本文所采用的優(yōu)勢(shì)比和交互信息分析方法可以用來(lái)精準(zhǔn)識(shí)別導(dǎo)致家庭陷入深度困難的重要風(fēng)險(xiǎn)因素，從而有利于制定完善的幫扶措施工具包以開展針對(duì)性幫扶，鞏固和提升脫貧攻堅(jiān)工作質(zhì)量，但從解決相對(duì)貧困的角度來(lái)看，還需要在城鄉(xiāng)統(tǒng)籌框架下豐富政策幫扶工具包內(nèi)容。例如，在農(nóng)村，因殘導(dǎo)致家庭成為返貧風(fēng)險(xiǎn)戶的概率較高，這類家庭在城市也會(huì)存在，因而要統(tǒng)籌考量相關(guān)幫扶政策，因地制宜采取針對(duì)性措施;又如，缺資金的家庭不容易成為返貧風(fēng)險(xiǎn)戶，是在貧困群體可以獲得小額信貸支持下得出的結(jié)論。為了解決融資難的問(wèn)題，城鄉(xiāng)融合過(guò)程中需要?jiǎng)?chuàng)新開發(fā)多樣化的金融幫扶產(chǎn)品。

參考文獻(xiàn)

[1]李春根，陳文美，鄒亞?wèn)|.深度貧困地區(qū)的深度貧困：致貧機(jī)理與治理路徑[J].山東社會(huì)科學(xué)，2019（4）：69-73.

[2]左停，徐加玉，李卓.擺脫貧困之“困”：深度貧困地區(qū)基本公共服務(wù)減貧路徑[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2018（2）：35-44.

[3]李俊杰，耿新.民族地區(qū)深度貧困現(xiàn)狀及治理路徑研究——以“三區(qū)三州”為例[J].民族研究，2018（1）：47-57.

[4]燕繼榮.反貧困與國(guó)家治理——中國(guó)“脫貧攻堅(jiān)”的創(chuàng)新意義[J].管理世界，2020（4）：209-220.

[5]萬(wàn)蘭芳，向德平.中國(guó)減貧的范式演變與未來(lái)走向：從發(fā)展主義到福利治理[J].河海大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2018（2）：32-38.

[6]賈林瑞，劉彥隨，劉繼來(lái)，等.中國(guó)集中連片特困地區(qū)貧困戶致貧原因診斷及其幫扶需求分析[J].人文地理，2018（1）：85-93.

[7]殷麗梅，楊紫銳.公共價(jià)值導(dǎo)向的精準(zhǔn)扶貧績(jī)效評(píng)價(jià)研究——基于恩施州少數(shù)民族貧困地區(qū)的實(shí)證[J].重慶工商大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2018（4）：45-51.

[8]祖俊濤，董黎明.“后脫貧攻堅(jiān)時(shí)代”背景下農(nóng)村低保對(duì)象精準(zhǔn)識(shí)別的實(shí)現(xiàn)困境和路徑優(yōu)化——以安徽省S縣為例[J].北京化工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2019（4）：11-21.

[9]張松彪，曾世宏，袁旭宏.精準(zhǔn)扶貧視閾下城鄉(xiāng)居民低保資源配置差異及瞄準(zhǔn)效果比較分析——基于CHIP2013數(shù)據(jù)的實(shí)證[J].農(nóng)村經(jīng)濟(jì)，2017（12）：37-43.

[10]張明皓，豆書龍.深度貧困的再生產(chǎn)邏輯及綜合性治理[J].中國(guó)行政管理，2018（4）：44-50.

[11]易紅梅，張林秀.農(nóng)村最低生活保障政策在實(shí)施過(guò)程中的瞄準(zhǔn)分析[J].中國(guó)人口·資源與環(huán)境，2011（6）：67-73.

[12]朱夢(mèng)冰，李實(shí).精準(zhǔn)扶貧重在精準(zhǔn)識(shí)別貧困人口——農(nóng)村低保政策的瞄準(zhǔn)效果分析[J].中國(guó)社會(huì)科學(xué)，2017（9）：90-112.

[13]肖云，吳國(guó)舉，劉慧.農(nóng)村最低生活保障退出機(jī)制構(gòu)建研究[J].西北人口，2009（4）：43-47.

[14]徐麗敏.反福利依賴視角下的低保制度審視——兼析《社會(huì)救助暫行辦法》[J].華東理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2014（6）：109-114.

[15]劉麗娟.我國(guó)城鄉(xiāng)低保家庭基本狀況分析——基于2016年“中國(guó)城鄉(xiāng)困難家庭社會(huì)政策支持系統(tǒng)建設(shè)項(xiàng)目”的調(diào)查[J].中國(guó)民政，2017（21）：49-51.

[16]左停，賀莉，趙夢(mèng)媛.脫貧攻堅(jiān)戰(zhàn)略中低保兜底保障問(wèn)題研究[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2017（4）：28-36.

[17]白永秀，劉盼.全面建成小康社會(huì)后我國(guó)城鄉(xiāng)反貧困的特點(diǎn)、難點(diǎn)與重點(diǎn)[J].改革，2019（5）：29-37.

[18]鄧大松，王增文.“硬制度”與“軟環(huán)境”下的農(nóng)村低保對(duì)象的識(shí)別[J].中國(guó)人口科學(xué)，2008（5）：8-25.

[19]童星，王增文.農(nóng)村低保標(biāo)準(zhǔn)及其配套政策研究[J].天津社會(huì)科學(xué)，2010（2）：49-51.

[20]陳文瓊，劉建平.論農(nóng)村低保救助擴(kuò)大化及其執(zhí)行困境[J].中國(guó)行政管理，2017（2）：85-90.

[21]韓華為，高琴.中國(guó)農(nóng)村低保制度的保護(hù)效果研究——來(lái)自中國(guó)家庭追蹤調(diào)查（CFPS）的經(jīng)驗(yàn)證據(jù)[J].公共管理學(xué)報(bào)，2017（2）：81-96.

[22]李輝.基于Logistic模型的深度貧困地區(qū)貧困人口致貧因素分析[J].西北民族研究，2018（4）：51-58.

[23]汪三貴，王姮，王萍萍.中國(guó)農(nóng)村貧困家庭的識(shí)別[J].農(nóng)業(yè)技術(shù)經(jīng)濟(jì)，2007（1）：20-31.

[24]馮婭婭，潘竟虎，楊亮潔.中國(guó)縣域農(nóng)村貧困的空間模擬分析[J].地球信息科學(xué)學(xué)報(bào)，2018（3）：321-331.

[25]SWETS J A. Measuring the accuracy of diagnostic systems[J]. Science， 1988， 240（4857）： 1285-1293.

[26]CORNFIELD J. A method of estimating comparative rates from clinical data： applications to cancer of the lung， breast， and cervix[J]. Journal of Chronic Diseases， 1951， 32（6）： 139-154.

[27]SHANNON C E. The mathematical theory of communication[J]. Bell Labs Technical Journal， 1950， 3（9）： 31-32.

[28]HAILPERN S M， VISINTAINER P F. Odds ratios and logistic regression： further examples of their use and interpretation[J]. The Stata Journal， 2003， 3（3）： 213-225.